Los trenes de alta velocidad operan bajo diversas condiciones, lo que lleva a diferentes distribuciones de datos de vibración recolectados de los rodamientos de las ruedas. Para detectar fallas en los rodamientos en situaciones donde las distribuciones de datos de los dominios de origen y destino son diferentes, se puede aplicar la técnica de aprendizaje por transferencia para mover la distribución de características obtenidas de datos no etiquetados en el dominio de origen. Sin embargo, las técnicas tradicionales de aprendizaje profundo por transferencia no tienen en cuenta las relaciones entre subdominios dentro de la misma clase de diferentes dominios, lo que resulta en un rendimiento subóptimo del aprendizaje por transferencia y limita el uso de diagnósticos inteligentes de fallas para los rodamientos de las ruedas bajo diversas condiciones. Para abordar este problema, hemos desarrollado la Red de Aprendizaje por Transferencia de Subdominio Profundo (DSTLN). Este enfoque innovador transfiere la distribución de características armonizando las distribuciones de subdominio de las activaciones de capa específicas de cada dominio a través de la implementación del método de Discrepancia de Media Máxima Local (LMMD). La DSTLN consta de tres módulos: un extractor de características, reconocimiento de categoría de fallas y adaptación de dominio. El extractor de características se construye utilizando un modelo SA-ConvLSTM propuesto recientemente y CNNs, que tienen como objetivo aprender automáticamente las características. El módulo de reconocimiento de categoría de fallas es un clasificador que categoriza las muestras en función de las características extraídas. El módulo de adaptación de dominio incluye un clasificador de dominio adversarial y métricas de discrepancia de distribución de subdominio, haciendo que las características aprendidas sean invariantes al dominio tanto en el dominio global como en los subdominios. A través de 210 experimentos de diagnóstico de fallas por transferencia con datos de rodamientos de ruedas bajo 15 condiciones operativas diferentes, el método propuesto demuestra su efectividad.